Julia: DataFrame最大的好处是对NA的处理和对象化操作！

     
    和Array相比: A new Julia type that represents a missing value NA。另外，在数据的操作友好性上，提供了对象性操作方式，而不是冰冷的数据下标。
    缺点是，其效率没有Array高。如果数据操作量大，效率会受到一定的影响，这个有些象MATLAB中的dataset.
    当然，要用DataFrame,首先要加DataFrames库包，另外，using DataFrames.
   1、对象化操作
     假设，A:是字段，B也是字段
julia> df = DataFrame(A = 1:4, B = ["M", "F", "F", "M"])
4x2 DataFrame:
        A   B
[1,]    1 "M"
[2,]    2 "F"
[3,]    3 "F"
[4,]    4 "M"
julia> df["A"] #df[:A]  对象化操作的方式，再也不是第几行，第几列了，人性化呀
4-element DataArray{Int64,1}:
 1
 2
 3
 4
 2、增加列操作
julia>df["c"]=2:5  # 增加一列
2:5
julia> df
4x3 DataFrame:
        A  B c
[1,]    1 "M" 2
[2,]    2 "F" 3
[3,]    3 "F" 4
[4,]    4 "M" 5


3、 增加一行操作
julia> de =DataFrame(A = 2,B ="g",c=5)
1x3 DataFrame:
        A  B c
[1,]    2 "g" 5
julia> df =vcat(df,de)
5x3 DataFrame:
        A  B c
[1,]    1 "M" 2
[2,]    2 "F" 3
[3,]    3 "F" 4
[4,]    4 "M" 5
[5,]    2 "g" 5
 
4、读到csv,txt 的IO操作
主要函数格式有：
df =readtable("data.csv")
df = readtable("data.tsv")
df =readtable("data.wsv")
df =readtable("data.txt", separator = '\t')
df =readtable("data.txt", header = false)
 比如：读CSV数据
julia> @time df =readtable("C:\\Users\\Administrator\\Desktop\\julia\\mydatacsv.csv")
elapsed time: 0.321465977 seconds(12324052 bytes allocated)
DataFrame with 5085 rows, 11columns
Columns:
FutureCode        5085 non-null values   
DateTime          5085 non-null values   
BarEndTime        5085 non-null values   
Close             5085 non-null values   
Open              5085 non-null values   
High              5085 non-null values   
Low               5085 non-null values   
PreClose          5085 non-null values   
Volume            5085 non-null values   
OpenInterest      5085 non-null values   
BarCount          5085 non-null values   
5、 写操作
格式：
writetable("output.csv",df)
writetable("output.dat",df, separator = ',', header = false)
writetable("output.dat",df, quotemark = '\'', separator = ',')
writetable("output.dat",df, header = false)


6、索引和条件检索


df = DataFrame(A = 1:10) 
# 索引 注意：和MATLAB不一样，所有的向量计算，都加了一个".",否则容易出错！
julia> df[df[:Close].>2000,:]
DataFrame with 5085 rows, 11columns
Columns:
FutureCode        5085 non-null values   
DateTime          5085 non-null values   
BarEndTime        5085 non-null values   
Close             5085 non-null values   
Open              5085 non-null values   
High              5085 non-null values   
Low               5085 non-null values   
PreClose          5085 non-null values   
Volume            5085 non-null values   
OpenInterest      5085 non-null values   
BarCount          5085 non-null values    


7、类型判断
julia> typeof(df)
DataFrame (constructor with 22 methods)


8、合并操作
# 合并，vcat,join 操作，但没有看到push! ,append! add!


julia> @time vcat(hh,kk)
elapsed time: 0.00010462 seconds (110802x2 DataFrame:
       A    B
[1,]    5.0  10.0
[2,]    1.0  9.0
 
julia> @time vcat(df,kk) # 时间增加了三倍
elapsed time: 0.000374261 seconds (84696 bytes allocated)
1001x2 DataFrame:
           A    B
[1,]        1.0  9.0
[2,]        5.0 10.0
[3,]        3.0  6.0
.......
julia> @time vcat(df,df) # 时间还在增长
elapsed time: 0.000719703 seconds (181256 bytes allocated)
2000x2 DataFrame:
           A    B
[1,]        1.0  9.0
[2,]        5.0 10.0
[3,]        3.0  6.0
.....